AI 配对交易：寻找协整配对并构建均值回归机器人

配对交易是经典的市场中性策略。你不是押注单一资产方向，而是押注两只资产之间的关系。当关系暂时破裂时，你交易价差，预期它会收敛。

AI 可通过筛选大资产池和预测价差何时 revert，让配对交易更具可扩展性。

配对交易的核心思想

找到历史上价格联动的两只资产。当它们的价格比率或价差显著偏离均值时：

• 买入表现差的资产
• 卖出表现好的资产
• 价差收敛时平仓

这是市场中性方法，因为利润来自相对运动，而非整体市场方向。

相关性与协整

相关性衡量一段时间内两只资产如何共同移动。协整检验两个资产的线性组合是否平稳，即价差倾向于回归长期均值。

对配对交易，协整比相关性更重要。两只资产可能高度相关但不协整，导致价差不稳定。

寻找协整配对

对价差做 ADF 检验：

import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
 
def test_cointegration(x, y):
    x = sm.add_constant(x)
    model = sm.OLS(y, x).fit()
    residuals = model.resid
    adf_result = adfuller(residuals)
    return adf_result[1]  # p-value
 
p_value = test_cointegration(prices['AAPL'], prices['MSFT'])

低 p 值（通常 < 0.05）暗示协整。

构建价差

价差通常定义为 OLS 回归残差：

def calculate_spread(x, y):
    x = sm.add_constant(x)
    model = sm.OLS(y, x).fit()
    return model.resid
 
spread = calculate_spread(prices['AAPL'], prices['MSFT'])

价差远离均值时可能存在交易机会。

入场和出场信号

常用方法：

• 价差 z-score 超过 ±2 时入场
• z-score 回到 0 时出场
• 价差继续 diverge 超过 ±3 时止损

spread_mean = spread.mean()
spread_std = spread.std()
z_score = (spread - spread_mean) / spread_std

AI 如何改进配对选择

AI 可：

• 对成千上万对进行协整和相关性筛选
• 按行业和 behavior 聚类资产
• 检测破坏历史关系的机制变化
• 预测价差收敛概率

ML 模型可能使用：

• 协整 p 值
• 均值回归半衰期
• 波动率比率
• 近期偏离幅度
• 行业相似度

风险管理

配对交易并非无风险。关键风险：

• 结构性断裂：一家公司基本面变化，破坏历史关系
• 执行风险：两腿滑点可能抹掉利润
• 流动性风险：某资产难以做空
• 过拟合：数据挖掘找到的配对未来可能失效

风险规则：

• 多时间段测试配对
• 避免无经济联系的配对
• 使用仓位限制
• 监控结构性断裂

示例工作流

1. 下载股票池价格数据
2. 测试所有配对的协整性
3. 筛选低 p 值且有经济逻辑的配对
4. 计算价差和 z-score
5. 回测入场出场规则
6. 实盘前先用模拟盘

总结

配对交易是一种依赖统计关系而非市场方向的市场中性策略。AI 使其能够筛选大资产池并适应变化。但该策略需要谨慎选择配对、执行纪律和持续监控结构性断裂。

相关阅读: AI 趋势跟踪 vs 均值回归 | AI 突破策略设置 | AI 策略对比框架